本研究提出了一种名为 GAP 的新型上下文敏感的算法,它使用注意力池化网络在不需要额外特征或社区检测算法的情况下,学习到了在节点邻域不同部分的出现概率,并在真实的数据集上表现出了优秀的表现超过了 10 种流行的最新模型。
Jan, 2020
本文提出了一个基于超图的图神经网络模型 HyperRoad 用于道路网络表示学习。此模型通过构建超图捕捉道路网络中的高阶联系,并利用图重建、超图重建和超边分类任务去学习结构信息和长距离联系。
Apr, 2023
本综述全面地回顾了数据挖掘和机器学习领域的网络表征学习技术的当前文献,并根据基本的学习机制、网络信息的保留意图以及算法设计和方法学对其进行分类和总结,同时对于验证网络表征学习的评估协议,如公开的基准数据集、评估方法和开源算法也进行了总结和分析,并在常见数据集上比较了代表性算法之间的性能和计算复杂度,并提出未来的研究方向。
Dec, 2017
提出了用于学习保留更高阶结构特征的图形节点低维嵌入的 HARP 方法,通过在嵌入之前压缩输入图来实现这一点,并使用简化的图形来学习一系列的初始表示,这些方法可以扩展到所有现有的图形嵌入神经算法,包括 DeepWalk, LINE 和 Node2vec。
Jun, 2017
使用层次强化学习方法控制电网拓扑结构,通过在不同层次应用强化学习算法,实现电网操作的长期目标且在困难任务上超越其他方法。
Nov, 2023
研究了利用 simplicial neural networks 学习含文本属性复合单体复杂网络的表示,并对 SNN 的表示输出进行了成员推理攻击和图重构攻击,研究如何通过隐私保护的算法利用 multi-scale 关系和从局部结构到全局不变特征在文本属性网络中学习安全表示输出。
Feb, 2023
本研究提出了一种新颖的方案,通过异构图上的分层表示学习来进行跨语言引用推荐,可以优化出在图上定位重要的跨语言邻域的概率,实验结果显示该方法不仅可以超越现有的基线模型,而且可以提高跨语言引用推荐任务的表现。
Dec, 2018
本文研究了网络表示学习领域中针对二分网络的。尽管节点嵌入图算法(Node2Vec)和线性邻居保留嵌入(LINE)等方法可以应用于二分网络的顶点嵌入中,但针对二分网络的研究尚不足够。
Jan, 2019
本文提出一种框架用于将不同的网络表示方法统一化,研究它们的有效性,经过一系列的实证研究表明,并没有一个单一的方法是最好的,选择一个适合的方法取决于嵌入方法的某些属性、任务和底层图的结构属性。
Mar, 2019
提出一种基于拓扑关系推断的新型局部拓扑模型,用于处理图分类和表征学习中超平滑和可被图扰动的问题,并在节点分类任务中实验验证其性能优于当前 14 种现有基线模型
Oct, 2021